Jurnal Generic, Vol. 8, No. 1, Maret 2013, pp. 171~182
ISSN: 1907-4093 (print), 2087-9814 (online)
171
Copyright © 2013 Jurnal Generic. All rights reserved
Fuzzy Case-Based Reasoning:
Implementasi Logika Fuzzy pada Case-Based Reasoning
Abdiansah1
1Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Universitas Sriwijaya
1Jln. Raya Palembang Prabumulih, Km.32 Inderalaya, Ogan Ilir, Indonesia, 30662
e-mail: [email protected]
Abstrak
Penggunaan logika fuzzy untuk menangani masukan yang berupa linguistik telah
dieksplorasi dan memberikan beberapa hasil uji terhadap data yang digunakan.
Penelitian ini menggunakan data standar sebanyak 958 data dan masing-masing data
memiliki 14 atribut yang kemudian dapat dibentuk menjadi Case-Based Reasoning
(CBR). Nilai kemiripan diperoleh dari dua teknik similaritas, yaitu similaritas Fuzzy
dan similaritas Nearest-Neighbour. Pengujian menggunakan sebanyak 81 data dengan
rata-rata akurasi kemiripan sekitar 77% untuk similaritas Fuzzy dan 78,5% untuk
Nearest-Neighbour. Tingkat akurasi similaritas Fuzzy lebih rendah dari Nearest-
Neighbour, tetapi terdapat kelebihan jika menggunakan masukan bersifat linguistik,
seperti lebih sederhana dan fleksibel dalam memasukkan data yang berbentuk
linguistik (kata-kata).
Kata kunci: Case-Based Reasoning, similaritas Fuzzy, similaritas Nearest-Neighbour.
Abstract The using of fuzzy logic was to handle input in the linguistic form has been
explored and gave several test results of data. This research used standard data amount
958 and each data had 14 attributes to be formed into Case-Based Reasoning (CBR).
This research used two similarity techniques, namely Fuzzy similarity and Nearest-
Neighbour similarity. Number of testing data were 81 data which produced average
accuracy about 77% for Fuzzy similarity and 78.5% for Nearest-Neighbour. The
accuracy of similarity Fuzzy was lower than Nearest-Neighbour, but there were several
advantages when used linguistic data such as more simple and flexible to use the
linguistic (words) data.
Keywords: Case-Based Reasoning, Fuzzy similarity, Nearest-Neighbour similarity.
1. Pendahuluan
Case-Based Reasoning (CBR) atau Penalaran Berbasis Kasus merupakan salah
satu metode pada bidang Ilmu Komputer yang digunakan untuk menyelesaikan suatu
permasalahan (kasus) baru menggunakan kasus lama. CBR termasuk juga sebagai
Sistem Berbasis Pengetahuan dan menjadi salah satu alternatif selain Rule-Based
Reasoning (RBR). Ide dasar CBR adalah “similar problems have similar solutions”,
dimana setiap masalah yang sama dimungkinkan untuk mempunyai solusi yang sama
pula. Pengetahuan yang dimiliki CBR direpresentasikan dalam bentuk kasus dimana
setiap kasus berisi dua slot, yaitu slot masalah dan slot solusi. Slot masalah berisi fitur-
ISSN: 1907-4093
Fuzzy Case-Based Reasoning: Implementasi Logika Fuzzy pada Case-Based Reasoning
(Abdiansah)
172
fitur deskripsi dari suatu masalah sedangkan slot solusi berisi solusi dari masalah
tersebut. Nilai kesamaan antara kasus baru dengan kasus lama dihitung menggunakan
fungsi similaritas, semakin tinggi nilai similaritas semakin besar kesamaan solusi antara
kasus baru dengan kasus lama. Logika Fuzzy (LF) merupakan salah satu model
matematik yang dapat digunakan untuk menyelesaikan masalah yang berisi informasi
yang kurang teliti dan kurang pasti. Ide dasar teknik LF adalah memberikan informasi
secara gradual bukan secara parsial. Selain itu, LF juga memberikan pendekatan
informasi sesuai dengan kebiasaan manusia, dimana informasi yang diberikan berupa
linguistik (kata-kata) bukan berupa numerik (angka-angka pasti). Oleh karena itu, LF
sering digunakan pada pre-processing untuk masukan berbentuk informasi linguistik.
Proses CBR memiliki beberapa tahapan siklus yang secara umum terdiri dari
empat siklus yaitu: 1) Retrieve, pada tahap ini dilakukan pencocokan antara kasus baru
dengan kasus lama yang terdapat pada basis-data kasus menggunakan fungsi similaritas.
Sebelum tahap ini dilakukan terdapat tahapan pre-processing yaitu me-representasikan
masalah ke dalam bentuk kasus, tahapan representasi ini menghasilkan fitur-fitur atau
indeks dari kasus. Fitur-fitur tersebut dapat berbentuk simbolik dan numerik; 2) Reuse,
tahap ini merupakan tahapan seleksi terhadap kasus-kasus terbaik yang didapat dari
hasil perhitungan fungsi similaritas, kasus dengan nilai tertinggi dijadikan solusi untuk
kasus baru; 3) Revisi/Adaptasi; tahap ini dilakukan jika terdapat perubahan kasus lama
yang diakibatkan oleh kasus baru dan 4) Retain; tahapan ini merupakan tahapan
penyimpanan kasus jika tidak ada kecocokan dan ada revisi antara kasus-kasus lama
dengan kasus baru. Seperti yang sudah disebutkan sebelumnya bahwa pada tahapan pre-
processing, fitur-fitur kasus berbentuk simbolik (numerik) sehingga lebih menyusahkan
manusia dalam memberikan informasi dan mendeskripsikan suatu kasus. Oleh karena
itu, penelitian ini mencoba untuk menganalisis dan merancang representasi kasus pada
CBR menggunakan LF, sehingga nilai fitur-fitur kasus dalam CBR tidak hanya
berbentuk simbolik dan numerik tetapi juga dapat berbentuk linguistik, sehingga CBR
yang dibangun dapat lebih mudah menerima masukan berbentuk linguistik.
CBR memiliki empat siklus dalam memproses kasus-kasus, sebelum ke-empat
siklus tersebut dijalankan, terlebih dahulu dilakukan pre-processing terhadap kasus
yang diproses yaitu merepresentasikan masalah ke dalam bentuk kasus dan
mendefenisikan fitur-fitur kasus tersebut menjadi sebuah nilai berbentuk simbolik atau
numerik. Persoalan terjadi ketika proses definisi fitur-fitur tersebut harus berbentuk
simbolik (numerik) sedangkan manusia lebih cenderung menggunakan linguistik. Oleh
karena itu, persoalan yang diselesaikan pada penelitian ini adalah bagaimana mengubah
fitur-fitur CBR yang bersifat numerik (simbolik) menjadi fitur linguistik.
2. Penelitian Terkait
Penelitian tentang fuzzy dan CBR telah banyak dilakukan, berikut ini beberapa
ringkasan dari artikel yang membahas tentang Fuzzy CBR. Pada penelitian [1]
mengembangkan prototipe sistem untuk memperkirakan nilai properti daerah
pemukiman yang dapat digunakan untuk transaksi real-estate. Sistem tersebut
menggunakan CBR yang bantu oleh teknik logika fuzzy dalam menentukan similaritas
antara subjek dan properti yang dibandingkan. Similaritas tersebut menghasilkan proses
seleksi dan agregasi yang bertujuan untuk mencari perkiraan nilai properti. Fuzzy juga
digunakan untuk menghasilkan confidence value yang meningkatkan kualifikasi
perkiraan. Dubois, dkk [2] membahas pemodelan fuzzy untuk CBR dan Case-Based
Jurnal Generic ISSN: 1907-4093
Fuzzy Case-Based Reasoning: Implementasi Logika Fuzzy pada Case-Based Reasoning
(Abdiansah)
173
Decision. Prinsip CBR “similar problem have similar solution” dimodelkan dalam
bentuk fuzzy-rule. Koiranen, dkk [3] membahas tentang sistem hybrid antara CBR, fuzzy
dan neural network. Fokus artikel ini membahas proses revise/adaptasi dari suatu kasus.
Shiu, dkk [4] membahas tentang perawatan CBR menggunakan pohon keputusan
fuzzy. Fokus artikel ini membahas tentang pengindeksan kasus-kasus yang disimpan
dalam basis-data kasus. Semakin bertambah kasus maka semakin kompleks perawatan
basis-data kasus. Oleh karena itu digunakan pohon keputusan fuzzy untuk mengorganisir
indeks kasus. Riordan, dkk [5] membahas tentang penggunakan fuzzy dan CBR untuk
memprediksi cuaca. Pengetahuan tentang fitur-fitur kasus dikodekan dalam bentuk fuzzy
similarity measure. Algoritma retrieval menggunakan teknik k-nearest neighbours.
Esteva, dkk [6] membahas tentang pemodelan similaritas fuzzy dalam CBR. Dua bentuk
prinsip similaritas CBR dibahas yang pertama adalah prinsip dasar CBR “similar
problem have similar problem” dan yang kedua adalah prinsip dasar CBR
menggunakan fuzzy “the more similar problem have the more similar solution”. Pal dan
Mitra [7] membahas tentang sistem hybrid antara CBR, fuzzy dan rough. Fokus artikel
ini membahas proses retrieval yang menggunakan fungsi similaritas fuzzy. Dubois, dkk
[8] membahas tentang penggunakan fuzzy untuk case-based recomendation dan case-
based decicion. Cheetham, dkk [9] membahas tentang sistem hybrid antara CBR dengan
soft-computing yang meliputi: fuzzy, neural network, evolutionary computing dan
probabilistic reasoning. Artikel ini menjelaskan bagaimana soft-computing dapat
digunakan untuk merepresentasikan kasus, retrieval, adaptasi, reuse dan perawatan
basis-data kasus.
Ahmed, dkk [10] mengembangkan sebuah sistem CBR untuk mendiagnosa stress
yang hybrid dengan fuzzy-similarity dan cosine matching function. Fuzzy digunakan
untuk pencocokan kasus berdasarkan aspek sinyal yang menangani ketidakpastian dan
ketidaktelitian dari sensor pengukur. Voskoglou [11] membahas tetang kombinasi
antara CBR dan fuzzy untuk menyelesaikan masalah. Artikel ini membahas pemodelan
fuzzy untuk representasi sistem CBR yang meliputi retrieve, reuse, revise dan retain.
Shi, dkk [12] membahas tentang fuzzy CBR untuk product-style. Algoritma retrieval
menggunakan fuzzy-nearest neighbors (f-nn).
3. Analisis Data
Data dikumpulkan berasal dari data sekunder yang diambil dari situs:
http://mycbr-project.net dengan nama basis-data Cars. Data yang diambil adalah data
penjualan mobil bekas dari tahun 1994 sampai tahun 1997 dengan jumlah data sebanyak
958 data dengan 14 atribut yang dapat dilihat pada Tabel 1. Nilai-nilai yang digunakan
setiap atribut masih bersifat numerik/simbolik. Dari ke-12 atribut yang ada pada Tabel
1, hanya diambil 4 atribut yang akan digunakan dan diproses dalam penelitian ini yaitu:
1) atribut Price (harga); 2) Miles (Jumlah kilometer); 3) Power (Horse Power) dan 4)
Speed (Kecepatan). Atribut lainnya hanya digunakan sebagai atribut pelengkap.
4. Analisis Pembentukan Kasus
Tahapan pertama pengembangan sistem CBR adalah merepresentasikan domain
permasalahan ke dalam bentuk kasus, dimana suatu kasus terdiri dari dua bagian yaitu
bagian problem dan bagian solution. Pada Tabel 1 atribut Car Code dijadikan solusi, hal
ini disebabkan karena atribut tersebut menunjukan identitas dari suatu mobil.
Sedangkan atribut yang diproses untuk mencari kemiripan antar kasus digunakan
atribut: Price, Miles, Power dan Speed. Atribut lain hanya digunakan sebagai informasi
ISSN: 1907-4093
Fuzzy Case-Based Reasoning: Implementasi Logika Fuzzy pada Case-Based Reasoning
(Abdiansah)
174
pelengkap walaupun dapat juga dilibatkan dalam proses mencari kesamaan, tabel kasus
dapat dilihat pada Tabel 2. Pemilihan keempat atribut tersebut dijadikan batasan dalam
penelitian ini disebabkan terlalu banyak proses yang terlibat dan membutuhkan
penelitian lebih lanjut lagi.
Tabel 1: Atribut Cars
No. Nama Atribut Contoh Nilai
1 Car Code 001
2 Manufacturer BMW
3 Model 325T
4 Body Sedan
5 Price $ 28.000
6 Color DARK RED
7 Year 1994
8 Miles 76.474
9 Doors 4
10 Power 115
11 Gas DIESEL
12 Speed 203
13 CCM 2500
14 ZIP 8
Tabel 2: Kasus CBR
No. Nama Atribut Keterangan
1 Car Code Solusi
5 Price
Masalah 8 Miles
10 Power
12 Speed
4.1 Fuzzifikasi
Sebelum nilai suatu atribut diproses, terlebih dahulu dilakukan proses fuzzifikasi
untuk mencari nilai derajat keanggotaan suatu himpunan fuzzy [7]. Atribut difuzzifikasi
adalah atribut yang diproses untuk dicari nilai similaritasnya.
Atribut Price mempunyai jarak nilai antara 4,799 – 95,199 berdasarkan jarak
tersebut dibuat menjadi lima himpunan linguistik yaitu: MURAH, AGAK MURAH,
SEDANG, AGAK MAHAL dan MAHAL. Untuk membagi nilai secara merata
digunakan persamaan:
Dimana, D = jarak antar titik pembagi (klasik), R = Fuzzy
Maks = nilai tertinggi himpunan
Min = nilai terendah himpunan
N = Jumlah total himpunan
Jurnal Generic ISSN: 1907-4093
Fuzzy Case-Based Reasoning: Implementasi Logika Fuzzy pada Case-Based Reasoning
(Abdiansah)
175
[ ] [ ] ∑ [ ] [ ]
Gambar 1: Fungsi Keanggotaan Himpunan Price
Berdasarkan Persamaan (2) maka didapat grafik keanggotaan fuzzy yang
diperlihatkan pada Gambar 1. Langkah selanjutnya adalah membuat fungsi untuk
mencari derajat keanggotaan berdasarkan grafik pada Gambar 1, berikut ini fungsi
keanggotaan masing-masing himpunan:
{
{
ISSN: 1907-4093
Fuzzy Case-Based Reasoning: Implementasi Logika Fuzzy pada Case-Based Reasoning
(Abdiansah)
176
{
{
{
Proses serupa diperlakukan untuk mencari fungsi keanggotan untuk Miles, Power
dan Speed.
4.2 Fungsi Similaritas
Penelitian ini menggunakan dua fungsi similaritas, yaitu Nearest-Neighboor (NN)
dan Fuzzy Similarity (FS). Fungsi similaritas NN digunakan untuk mencari kemiripan
kasus dengan memproses nilai numerik/simbolik, sebaliknya fungsi similaritas FS akan
memproses nilai secara linguistik.
Jurnal Generic ISSN: 1907-4093
Fuzzy Case-Based Reasoning: Implementasi Logika Fuzzy pada Case-Based Reasoning
(Abdiansah)
177
4.2.1 Nearest-Neighbour
Gambar 2: Jarak antara v dan x[i]
[ ]
[ ] [ ]
Dimana, v = nilai masukan
x[i] = nilai ke-i dari suatu himpunan
N = nilai tertinggi dari suatu himpunan
Ide dasar fungsi NN adalah mencari kesamaan antara dua buah nilai dengan
menghitung selisih, jika hasil selisih adalah 0 maka kedua nilai tersebut mempunyai
kemiripan total. Pada Gambar 2 dapat dilihat jika terdapat sebuah nilai v yang dicari
kemiripan dengan sekumpulan nilai sebut saja x[i] maka nilai kesamaan antara v dan
x[i] dapat dihitung menggunakan Persamaan (4). Persamaan tersebut menghasilkan nilai
1 jika kedua nilai mempunyai kemiripan total, 0 jika tidak mirip sama sekali dan nilai
antara 0-1 yang memberikan derajat kemiripan dengan skala 0-1.
4.2.2. Fuzzy Similarity
Ide dasar dari fungsi FS adalah mengambil sekumpulan nilai dari suatu himpunan
fuzzy, seperti tampak pada Gambar 3 terdapat 3 himpunan fuzzy, (simbol H mewakili
himpunan fuzzy) dimana dari ketiga himpunan tersebut diambil salah satu saja.
Kemudian seluruh nilai difuzzifikasi-kan sehingga nilai-nilainya berada pada rentang 0-
1. Langkah terakhir adalah memproses kemiripan suatu nilai v dengan nilai-nilai yang
ada pada himpunan tadi menggunakan Persamaan (6).
Gambar 3: Himpuan fuzzy
[ ] { } [ ] [ ]
Dimana, v = nilai masukan, x[i] = nilai ke-i dari suatu himpunan, H = suatu himpunan
fuzzy, dan F = nilai-nilai yang di fuzzifikasi-kan dari suatu himpunan H.
maks min v
x[i]
min maks
0
1
H
ISSN: 1907-4093
Fuzzy Case-Based Reasoning: Implementasi Logika Fuzzy pada Case-Based Reasoning
(Abdiansah)
178
5. Arsitektur dan Diagram Alir Sistem
Pada Gambar 4 dapat terlihat arsitektur yang mengikuti siklus CBR dengan
ditambah Logika Fuzzy dan diagram alir sistem yang menjelaskan alur proses dari
sistem yang akan dibuat. Berikut penjelasan dari masing-masing komponen yang ada
pada Gambar 4:
a. Problem-Domain: Merupakan domain permasalahan yang diselesaikan oleh fuzzy
dan CBR. Penelitian ini menentukan problem domain yang masukannya bersifat
linguistik sehingga lebih sesuai untuk diproses oleh logika fuzzy.
b. Logika Fuzzy: Komponen ini memproses masukan yang bersifat simbolik/numerik
dan mengubah menjadi linguistik. Komponen ini juga merepresentasikan masalah
menjadi kasus dan mendefenisikan fitur-fitur kasus.
c. Kasus Baru: Merupakan kasus yang dihasilkan dari logika fuzzy dan siap diproses
oleh CBR. Kasus baru mempunyai fitur-fitur kasus tetapi tidak mempunyai solusi.
d. Kasus-Kasus Lama: Merupakan kasus-kasus lama yang disimpan di dalam basisdata
kasus. Proses pembuatan kasus lama sama seperti pembuatan kasus baru, hanya saja
kasus-kasus lama tersebut sudah diberi solusi oleh pakar.
e. Fungsi Similaritas: Komponen ini memproses kesamaan antara kasus baru dengan
kasus-kasus lama. Kasus lama yang mempunyai kesamaan yang paling tinggi
dijadikan solusi untuk kasus baru.
f. Solusi: Penyelesaian masalah untuk kasus baru. Solusi diambil dari solusi kasus lama
yang memiliki kesamaan paling tinggi dengan kasus baru.
g. Pengguna: Orang yang menggunakan CBR untuk menyelesaikan masalahnya.
h. Revisi: Kasus baru yang belum dapat diselesaikan masalahnya direvisi dan dicari
jawaban yang cocok. Revisi dilakukan jika tidak ada kemiripan atau kurang antara
kasus baru dengan kasus-kasus lama.
i. Pakar: Orang yang membantu memberikan pengetahuan untuk sistem CBR dan juga
yang melakukan revisi untuk kasus yang belum ada solusi.
6. Hasil dan Analisis
Perangkat lunak merupakan aplikasi yang mengimplementasikan arsitektur sistem
untuk mengolah input dan output, serta digunakan sebagai alat uji untuk metode-metode
yang digunakan. Pengujian merupakan cara yang digunakan untuk mengevaluasi
metode dan mencari tingkat akurasi kebenaran dari solusi yang dihasilkan oleh sistem.
6.1 Perangkat Lunak Uji
Hasil penelitian ini adalah berupa perangkat lunak yang mengimplementasikan
Logika Fuzzy untuk mengolah data numerik/simbolik menjadi data linguistik. Ada tiga
antarmuka yang dibuat yaitu: 1) antarmuka utama, yang berisi seluruh masukan dan
keluaran; 2) antarmuka detil mobil, yang berisi informasi lengkap dari suatu mobil
berdasarkan Car Code dan; 3) antarmuka grafik fungsi keanggotaan fuzzy, yang
menampilkan grafik fungsi keanggotaan untuk masing-masing himpunan fuzzy.
Pada Gambar 5 menunjukkan bahwa antarmuka utama dibagi menjadi dua bagian
yaitu panel kiri dan kanan. Pada panel kiri terdapat empat buah kategori masukan yaitu:
1) Harga; 2) Jumlah Kilometer; 3) Horse Power; dan 4) Kecepatan. Masing-masing
kategori memiliki dua jenis masukan dimana masukan bagian atas merupakan masukan
untuk nilai linguistik/fuzzy dan bagian bawah untuk nilai numerik. Di bawah kategori
terdapat dua tombol yaitu tombol keluar dan tombol cari yang berfungsi untuk mencari
kesamaan antara nilai yang dimasukan pengguna dengan nilai yang ada dalam basisdata
Jurnal Generic ISSN: 1907-4093
Fuzzy Case-Based Reasoning: Implementasi Logika Fuzzy pada Case-Based Reasoning
(Abdiansah)
179
Gambar 4: Arsitektur dan Diagram alir sistem
Gambar 5: Antarmuka Utama
Cars. Pada panel sebelah kanan merupakan tampilan untuk hasil keluaran dari proses
pencarian. Terdapat tabel dengan tiga kolom: 1) Rangking; 2) Kode Mobil dan 3)
ISSN: 1907-4093
Fuzzy Case-Based Reasoning: Implementasi Logika Fuzzy pada Case-Based Reasoning
(Abdiansah)
180
Kemiripan. Sistem menampilkan hasil sebanyak 10 kasus dimulai dari kasus dengan
similaritas tertinggi. Di bawah tabel terdapat progress-bar yang berfungsi untuk
menunjukan kemajuan dari proses yang sedang berjalan.
6.2 Hasil Percobaan
Hasil pengujian penelitian ini membandingkan antara fungsi similaritas Fuzzy dan
fungsi similaritas Nearest-Neighbour berdasarkan pada Persamaan (4) dan (6).
Gambar 6: Grafik Similaritas Fuzzy
Secara keseluruhan terdapat 225 masukan untuk setiap kombinasi dari keempat
masukan: Harga, Kilometer, Power dan Kecepatan. Penelitian ini hanya menguji
sebanyak 81 masukan yang diambil dari Harga (murah, sedang, mahal), Kilometer
(dekat, sedang, jauh), Power (kecil, sedang, besar) dan Kecepatan (rendah, sedang,
tinggi). Hal ini dilakukan karena untuk disesuaikan dengan masukan biasa yang
dihitung menggunakan fungsi Nearest-Neigbour. Hasil pengujian terhadap 81 data,
didapat rata-rata tingkat akurasi sebesar 77%. Pada Gambar 6 dapat dilihat nilai-nilai
similaritas data yang diuji, rata-rata nilai similaritas sebesar 0,77 pada skala nilai 0 – 1.
Seperti yang telah disebutkan sebelumnya bahwa data yang diuji seharusnya
sebanyak 255 kasus, tetapi hanya diuji sebanyak 81 kasus hal ini dikarenakan
kemudahan untuk menyesuaikan data numerik dengan data linguistik. Data numerik
untuk NN didapatkan dari hasil query pada basis-data Cars, yaitu dengan mencari data
minimum, maksimum dan nilai tengah. Untuk nilai tengah di dapat dari Persamaan (7).
(
)
Dimana, NT = Nilai Tengah, max = nilai tertinggi, min = nilai terendah
Berdasarkan pengujian terhadap 81 data, didapat rata-rata tingkat akurasi sebesar
78,5% dengan menggunakan fungsi similaritas NN. Hasil pengujian memperlihatkan
bahwa fungsi similaritas Fuzzy kurang akurat dibandingkan dengan fungsi NN. Hal ini
dapat dimaklumi dikarenakan nilai yang digunakan dalam similaritas Fuzzy hanya
berdasarkan nilai fuzzifikasi, yang tergantung pada pemodelan grafik fungsi
keanggotaan. Grafik fungsi keanggotaan untuk setiap himpunan fuzzy dibuat seragam
berdasarkan Persamaan (2), untuk meningkatkan akurasi sebaiknya dibutuhkan seorang
ahli untuk menentukan model fuzzifikasi yang sesuai dengan domain permasalahan
0
0.5
1
1.5
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81
Nilai Similaritas Fuzzy
Jurnal Generic ISSN: 1907-4093
Fuzzy Case-Based Reasoning: Implementasi Logika Fuzzy pada Case-Based Reasoning
(Abdiansah)
181
karena secara teori grafik keanggotan menentukan derajat kebenaran suatu nilai
terhadap suatu domain permasalahan tersebut.
Gambar 7: Grafik Similaritas Nearest-Neighbour
Sisi keunggulan penggunaan fitur fuzzy/linguistik pada penelitian ini adalah
pengguna dapat diberikan sebanyak 255 pilihan yang sesuai dengan kondisi domain
permasalahan. Dengan kata lain, pengguna tidak harus bertanya atau memikirkan berapa
harga terendah atau harga termahal yang dimiliki oleh sistem. Pada dasarnya setiap
sistem mungkin memiliki data yang berbeda-beda (“rendah” di sistem A belum tentu
sama dengan “rendah” di sistem B, tergantung data dan pemodelan grafik fungsi
keanggotaan) sehingga dapat menyulitkan pengguna dalam memberikan informasi
masukan yang benar dan menghindarkan pengguna untuk mencari lagi informasi
tambahan karena logika fuzzy mampu untuk mengatasi perbedaan nilai suatu sistem
dengan menggunakan fitur linguistik.
Selain dapat menghitung similaritas Fuzzy dan NN, aplikasi penelitian ini juga
dapat digunakan untuk melakukan perhitungan kombinasi Fuzzy dan NN, tetapi peneliti
belum sempat menguji karena hanya fokus pada perbandingan saja. Oleh karena itu,
terdapat beberapa hal yang perlu diuji dan diperbaiki lebih lanjut, diantaranya adalah
meningkatkan akurasi dan melakukan pengujian kombinasi untuk mendapatkan hasil
yang maksimal.
7. Kesimpulan
Penelitian ini dapat disimpulkan sebagai berikut:
a. perangkat lunak Case-Based Reasoning dapat memproses kasus berupa fitur-fitur
linguistik dan numerik/simbolik serta mencari kemiripan antara kasus baru dengan
kasus-kasus yang ada dalam basis-data kasus;
b. perangkat lunak dapat memberikan 255 kasus baru dengan fitur-fitur linguistik;
c. pengujian terhadap 81 kasus baru dengan fitur-fitur linguistik dan menggunakan
similaritas Fuzzy dan NN masing-masing memberikan rata-rata hasil akurasi sebesar
77% dan 78,5%;
d. Salah satu keunggulan fitur linguistik adalah lebih memudahkan pengguna karena
masukan berupa linguistik/kata-kata. Selain itu, sistem yang menggunakan fitur-fitur
linguistik dapat memberikan fleksibilitas masukan karena pengguna hanya
memberikan data linguistik dan sistem memproses sesuai dengan data linguistik yang
diberikan.
0
0.5
1
1.5
1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81
Nilai Similaritas NN
ISSN: 1907-4093
Fuzzy Case-Based Reasoning: Implementasi Logika Fuzzy pada Case-Based Reasoning
(Abdiansah)
182
Hasil akurasi similaritas Fuzzy kurang optimal, hal ini dikarenakan pemodelan
fungsi keanggotaan hanya menggunakan sebaran nilai tanpa melihat domain
permasalahan. Untuk itu diperlukan penelitian lebih lanjut guna mendapatkan tingkat
akurasi yang tinggi. Selain itu dapat pula diuji kombinasi antara similaritas Fuzzy
dengan NN dan dicari komposisi yang tepat sehingga dapat menjadi model baru dalam
melakukan kemiripan kasus. Basisdata Cars masih terdapat pada fitur-fitur numerik
dapat digunakan dan diekplorasi lagi selain ke-empat fitur yang digunakan pada
penelitian ini.
Referensi
[1] P. P. Bonissone, & W. Cheetham, “Financial applications of fuzzy case-based
reasoning to residential property valuation”, Fuzzy Systems, Proceedings of the
Sixth IEEE International Conference, Barcelona, Spain, Vol.1, pp: 37-44, 1-5 Jul
1997.
[2] D. Dubois, H. Prade, F. Esteva, P. Garcia, L. Godo, & R. L. Màntaras, “Fuzzy set
modelling in case-based reasoning”, International Journal of Intelligent Systems,
Vol. 13, Issue 4, pp: 345–373, April 1998.
[3] T. Koiranen, T. Virkki-Hatakka, A. Kraslawski, & L. Nystrom, “Hybrid, fuzzy
and neural adaptation in case-based reasoning system for process equipment
selection”, Computers and Chemical Engineering, Vo. 22, Supplement 1, pp: 997-
1000 (4), 24 May 1998.
[4] S. C. Shiu, C. H. Sun, X. Z. Wang, & D. S. Yeung, “Maintaining Case-Based
Reasoning Systems Using Fuzzy Decision Trees”, Proc 5th European Workshop
on CBR, Springer Verlag, pp: 73-88, 2000.
[5] D. Riordan, & B. K. Hansen, “A fuzzy case-based system for weather prediction.
Engineering Intelligent Systems for Electrical Engineering and Communications”,
Vol. 10, Issue: 3, pp: 139-146, 2002.
[6] F. Esteva, P. Garcia-Calves, & L. Godo, “Fuzzy similarity-based models in case-
based reasoning. Fuzzy Systems”, Proceedings of the 2002 IEEE International
Conference, Honolulu, USA, pp.1348 – 1353, 2002.
[7] S. Pal, & P. Mitra, “Case generation using rough sets with fuzzy representation”,
Knowledge and Data Engineering, IEEE Transactions, pp: 293 – 300, 2004.
[8] D. Dubois, E. Hüllermeier, & H. Prade, “Fuzzy methods for case-based
recommendation and decision support”, Journal of Intelligent Information
Systems, Vol. 27, Num. 2, pp: 95-115, 2006.
[9] W. Cheetham, S. Shiu, & R. O. Weber, “Soft case-based reasoning”, The
Knowledge Engineering Review, Vol. 20 (3), pp: 267–269, 2006.
[10] M. U. Ahmed, S. Begum, P. Funk, N. Xiong, & B. V. Schéele, “Case-Based
Reasoning for Diagnosis of Stress using Enhanced Cosine and Fuzzy Similarity”,
Transactions on Case-Based, Vol.1, No.1, pp: 3-19, 2008.
[11] M. G. Voskoglou, “Combining Case-Based and Fuzzy Reasoning in Problem
Solving”, Italy: Department of Mathematics, University of Palermo, 2010.
[12] F. Shi, J. Xu, & S. Sun, “Fuzzy Case-based Reasoning in Product Style
Acquisition incorporating Valence-Arousal based Emotional Cellular Model”,
Journal of Applied Mathematics, Vol. , 18 pages, 2011.